时序动作定位 | 用桥接伪标签训练测试间隙改进弱监督时序动作定位（CVPR 2023）

已于 2024-06-01 11:11:19 修改
阅读量230 收藏
点赞数 1
分类专栏： 视频动作定位 文章标签： 人工智能 深度学习 计算机视觉 神经网络 视频
于 2023-09-15 20:31:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LiRongLu_/article/details/132898659
版权
了解本专栏 订阅专栏 解锁全文 超级会员免费看
编程日记✧
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
时序动作定位 | 探索去噪跨视频对比弱监督时间动作定位（CVPR 2022）
LiRongLu_的博客
07-10 377
关于Exploring Denoised Cross-video Contrast for Weakly-supervised Temporal Action Localization论文学习提出了一种新的去噪跨视频对比算法，旨在增强视频片段的特征识别能力，以便在弱监督环境下准确定位时序动作。......
时序动作定位 | AUMN：弱监督时间动作定位的动作单元记忆网络（CVPR 2021）
LiRongLu_的博客
08-10 449
Action Unit Memory Network for Weakly Supervised Temporal Action Localization
时序动作定位 | RSKP:基于代表片段知识传播的弱监督时间动作定位（CVPR 2022）
LiRongLu_的博客
07-14 663
关于论文学习 提出了一个具有代表性的代码片段汇总和传播框架。作者的方法试图挖掘每个视频中的代表性片段，以便在视频片段之间传播信息，以生成更好的伪标签。对于每个视频，以视频内和视频间的方式传播其自身的代表片段和来自存储库的代表片段以更新输入特征。伪标签是由更新特性的时间类激活映射生成的，以纠正主分支的预测。.........
[CVPR2022] 面向时序行为定位任务的无监督预训练
Can的博客
03-30 728
虽然近年来无监督视频表征学习取得了显著的成就，但大多数现有的方法都是针对视频行为分类任务（TAC）进行设计和优化的。当应用于时序定位任务（TAL）时，由于视频级别分类和片段级别定位之间的固有差异，这些预先训练的模型的迁移性能会受限。为了缓解这一问题，我们首次尝试对时序行为定位任务进行无监督预训练，提出一种新的自监督代理任务，称为“伪动作定位（Pseudo Action Localization，PAL）”。
时序动作定位 | ASM-Loc:弱监督时序动作定位的动作感知片段建模（CVPR 2022）
LiRongLu_的博客
08-06 581
ASM-Loc: Action-aware Segment Modeling for Weakly-Supervised Temporal Action Localization（CVPR 2022）一个新的WTAL框架，可以实现显式的、动作感知的分段建模，而不是标准的基于MIL的方法
时序动作定位 | 用于弱监督时态动作定位的细粒度时态对比学习（CVPR 2022）
LiRongLu_的博客
07-16 481
关于Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Act论文学习，本文认为，通过上下文比较序列之间的差异来学习，在WSAL中提供了一种基本的归纳偏差，并有助于识别连贯的行动实例。具体而言，在可微动态规划公式下，设计了两个互补的对比目标，包括细粒度序列距离(FSD)对比和最长公共子序列(LCS)对比，其中第一个目标通过匹配、插入和删除动作来考虑各种动作/背景建议之间的关系，第二个...............
时序动作定位 | WTAL任务中用到Memory Bank的论文
LiRongLu_的博客
08-18 466
时序动作定位 | WTAL任务中用到Memory Bank的论文 Action Unit Memory Network for Weakly Supervised Temporal Action Localization; Exploring Denoised Cross-video Contrast for Weakly-supervised Temporal Action Localization; Exploring Denoised Cross-video Contrast for Weakly-s
时序动作定位:CVPR2018-Rethinking the Faster R-CNN Architecture for Temporal Action Localization
qq_33278461的博客
07-22 7149
一、摘要： 密歇根大学和谷歌的工作，提出一个把Faster-rcnn思想从目标检测领域迁移到时序动作定位任务的方法，之前有直接改Faster-rcnn的R-C3D，本文对faster-rcnn做了修改，使之更适用于时序动作定位任务,目前是Thumos14的最好效果，tIOU=0.5的时候达到了42.8%(直接从去年最佳的CBR提高了11.8个百分点，很强)。 TAL-net(本文)： 时序动...
InstanceLoc：[CVPR 2021]用于自监督检测预训练的实例定位
03-04
自监督检测预训练的实例定位 []消息完整的代码库和模型即将推出主要结果在这里，我们列出了使用R50-C4和R50-FPN检测器在MSCOCO上得到的结果。 在不进行任何多播/自动/随机增强的情况下，我们的InsLoc优于许多以前的...
instance-aware弱监督目标检测CVPR2020.pdf
05-29
Weaklysupervisedlearninghasemergedasacompelling tool for object detection by reducing the need for strong supervision during training. However, major challenges remain: (1) differentiation of object ...
PRM:CVPR 2018中使用类峰值响应的弱监督实例细分（Spotlight）
05-01
使用以下方法进行弱监督实例细分类峰值响应 PyTorch实施包含： 峰值响应映射（激励和反向传播）的pytorch实现。 PASCAL-VOC演示（培训，推理和可视化）。 请按照以下说明进行安装并运行实验演示。先决条件系统（已在...
CVPR2022 - 弱监督多标签分类中的损失问题.doc
07-12
CVPR2022 - 弱监督多标签分类中的损失问题.doc
WSC:通过可扩展的弱监督群集（CVPR18）从Web图像中学习面部动作单元
04-29
此代码有两个目标： 学习弱监督频谱嵌入（WSE） ，该方法考虑了视觉相似性和弱注释之间的一致性（本文第3.1节）。 使用等级排序聚类和多数投票（在本文中，第3.2节）重新标注嘈杂的图像。 我们还提供uMQI指标来自动...
MATLAB神经网络---regressionLayer回归输出层
qq_45452617的博客
06-12 925
回归层计算回归任务的半均方误差损失。Matlab中的regressionLayer函数是一个深度学习工具箱中的函数,用于定义回归问题的损失函数层。它可用于神经网络模型的最后一层，将预测值与目标值进行比较,并计算出损失值。
从GAN到WGAN（02/2）
最新发布
gongdiwudu的专栏
06-14 1189
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
景芯SoC A72的时钟树分析
u011075954的专栏
06-13 799
innovus的ctslog中的Clock DAG信息可以报出来CTS主要运行步骤的关键信息，比如clustering，balancing做完后的clock tree的长度，clock tree上所用的buffer、inverter，icg cell数量，clock skew等信息。可以看到cell、sink的counts，也可以看到BUF、ICG的数量，接下来我们来看看景芯SoC A72 TOP的CLOCK ID和BUF个数的变化吧。先看下景芯SoC A72项目的cts latency变化过程。
人脸识别系统---人脸对比
2303_77278243的博客
06-14 724
def select_image(): #定义选择图片的函数#指明label_var不是一个局部变量也不是全局变量，而是外部函数s1的参数。这样，select_image函数就可以修改s1函数的参数#弹出选择文件的对话框，以及被选择文件的类型file_path = filedialog.askopenfilename(title="选择图片",filetypes=(("图片文件", "*.png;*.jpg;*.jpeg;*.bmp"),("所有文件", "*.*")))#如果选择了文件。
yolov10主要特点
yzf060109的专栏
06-14 807
以下是YOLOv10与其他模型的快速对比：YOLOv10-S：46.3 AP，2.49毫秒延迟YOLOv10-M：51.1 AP，4.74毫秒延迟YOLOv10-L：53.2 AP，7.28毫秒延迟YOLOv10-X：54.4 AP，10.70毫秒延迟这些改进使YOLOv10成为实时目标检测任务的首选，从自动驾驶到智能监控。与YOLOv9-C相比，YOLOv10-B（一个平衡的变体）延迟减少了46%，参数量减少了25%，同时保持了相同的性能水平。一对多分配：在训练过程中使用，以提供丰富的监督信号。
弱监督学习 signal
11-02
弱监督学习是一种机器学习方法，其中使用的训练数据是不完全标记的，或者只有部分标记。传统的监督学习方法通常需要大量的标记数据，这些数据需要手动标记，费时且昂贵。相比之下，弱监督学习可以通过利用较少的标记样本和大量的未标记样本来进行训练。 在弱监督学习中，标记数据通常被表示为弱信号或指示信号。这些信号可以是某些类别的存在或不存在，或者是与实例相关的一些约束条件。根据这些弱信号，通过构建模型进行训练，可以推断出分类或注释信息。 弱监督学习可以通过多种方法实现。其中一种方法是多实例学习（MIL），其中一个包含多个实例的包被视为正样本，而不包含正样本实例的包被视为负样本。另一种方法是知识迁移，通过利用其他任务中的标记数据来提供弱监督信号。还有一些其他的方法，例如主动标注和生成模型等。 弱监督学习的应用非常广泛。在计算机视觉领域，可以通过弱监督学习来识别图像中的物体或场景。在自然语言处理领域，可以通过弱监督学习来进行文本分类或情感分析。在推荐系统中，可以通过弱监督学习来提高用户对商品的推荐准确性。 总的来说，弱监督学习是一种有效的机器学习方法，可以在只有部分标记数据的情况下进行训练。通过利用弱信号或指示信号，可以实现对未标记数据的分类或注释，从而在各种应用领域中提高模型的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

编程日记✧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值